Escolar Documentos
Profissional Documentos
Cultura Documentos
INFORMTICA
PUCRS Brazil
http://www.inf.pucrs.br
Number 024
July, 2002
Contact:
willian@inf.pucrs.br
http://www.inf.pucrs.br/~willian
giraffa@inf.pucrs.br
http://www.inf.pucrs.br/~giraffa
Lucia Maria Martins Giraffa works at PUCRS/Brazil since 1986. She is a titular
professor and leader of the GIE group. She develops research in Multi-agent systems,
Artificial Intelligence applied in Education and design of educational software. She
received her Ph.D. in 1999 at UFRGS (Brazil).
2
ESTUDO COMPARATIVO SOBRE SISTEMAS
TUTORES INTELIGENTES MULTIAGENTES WEB
1. Introduo
1
e-mail: willian@inf.pucrs.br
2
e-mail: giraffa@inf.pucrs.br
3
agentes no pode ser definido desta forma por no ter uma especificao, um modelo
padro totalmente estabelecido e aceito.
Este trabalho est organizado da seguinte maneira. A seo 2 apresenta uma
breve introduo aos Sistemas Tutores Inteligentes e Sistemas Multiagentes. A seo 3
descreve os STI desenvolvidos com a tecnologia de Agentes. A seo 4 apresenta um
estudo comparativo sobre os STI descritos na seo 3. As sees 5 e 6 apresentam
respectivamente as consideraes finais e a bibliografia utilizada para a redao deste
trabalho.
4
- habilidade social: por impossibilidade de resoluo de certos problemas ou
por outro tipo de convenincia, interagem com outros agentes (humanos ou
computacionais), para completarem a resoluo de seus problemas, ou ainda
para auxiliarem outros agentes;
- capacidade de reao: percebem e reagem alteraes no ambiente em que
estiverem inseridos;
- capacidade pr-ativa: agentes, do tipo deliberativo, alm de atuar em
resposta s alteraes ocorridas em seu ambiente, apresentam um
comportamento orientado a objetivos, tomando iniciativas quando julgarem
apropriado (no caso, aplicado apenas aos agentes cognitivos).
A justificativa de aplicao da tecnologia de agentes na concepo de Sistemas
de Informao justificada quando o problema possui as seguintes caractersticas
[JEN1996]:
- o domnio envolve distribuio intrnseca dos dados, capacidade de
resoluo de problemas e responsabilidades;
- necessidade de manter a autonomia de subpartes, sem a perda da estrutura
organizacional;
- complexidade nas interaes, incluindo negociao, compartilhamento de
informao e coordenao;
- impossibilidade de descrio da soluo do problema a priori, devido
possibilidade de pertubaes em tempo real no ambiente e processos de
negcio de natureza dinmica.
Logo, os softwares educacionais podem se utilizar da tecnologia de agentes
porque possuem todas essas caractersticas.
As propostas de utilizao de arquiteturas SMA em STI trazem uma grande
vantagem em relao as arquiteturas tradicionais de STI por apresentarem uma
flexibilidade maior no tratamento dos elementos que compem o sistema. Alm disso, o
fato de usarmos agentes para modelar os seus componentes possibilita o agrupamento
da arquitetura tradicional (um mdulo = um agente) ou na exploso de cada mdulo em
vrios agentes, como por exemplo o trabalho de [COS1995; COS1996]. Neste ltimo
caso, o refinamento pode chegar at os estados mentais de um agente, [GIR2001a].
Segundo [GIR2001a], a modelagem de STI numa arquitetura funcional de
agentes mais do que uma abordagem generalista. Teoricamente a modelagem no
apresenta limites para o nmero de agentes que podem participar do processo de
5
aquisio do conhecimento. Processo este que ocorre atravs de negociao dos papis
dos agentes tanto tutores, como aprendizes.
A utilizao de tcnicas de IA (Inteligncia Artificial) em programas destinados
a auxiliar no processo de ensino-aprendizagem remonta do incio da dcada de 70, como
o trabalho de Carbonel [CAR1970].
A proposta de Carbonel foi modelar os sistemas educacionais de maneira a levar
em considerao o tipo de aluno que est interagindo com o sistema. Ou seja, ele lanou
a idia dos sistemas educacionais adaptativos, sob o ponto de vista de tutoria
(Assistncia ao aluno).
As pesquisas de Carbonell criaram um marco histrico para os STI, o
SCHOLAR [CAR1970]. O ESCHOLAR um clssico considerado o clssico dos STI.
Maires detalhes leia [GIR1998]. Conforme [GIR2001a], a pesquisa do grupo de
Carbonel visava atender ao grupo de programas onde existia um contedo modelado
com um determinado objetivo educacional e tentar adaptar a apresentao deste
contedo ao perfil de cada aluno. Isto , um sistema que procurasse se adaptar (em
algum grau) ao usurio e no se comportasse de maneira igual com todos os usurios
(padro usado na poca para os CAI (Computed Assisted Instruction)).
Originalmente estes sistemas foram chamados de ICAI (Intelligent CAI) e,
durante muito tempo, foram citados na literatura da rea como sinnimos de STI. Hoje
esta associao muito questionada por vrios pesquisadores e STI deixou de ser
sinnimo de ICAI. Como esta no uma questo relevante para este trabalho, no ser
abordada.
Se considerarmos que estudantes possuem diferentes estilos ou formas de
aprendizagem, importante que um STI seja capaz de fornecer instruo
individualizada, ou seja, deve ser capaz de adaptar suas instrues para satisfazer os
estilos individuais de cada aprendiz. Este o princpio pedaggico geral que rege a
concepo de um STI.
STI so sistemas computacionais com modelos de contedo instrucionais que
especificam o que ensinar e estratgias de ensino que especificam como ensinar
[MUR1999].
Segundo [OLI1994, FRE2000], os STI possuem uma organizao bsica com
alguns componentes funcionais que podem ser observados na maioria dos casos:
Mdulo do Aluno, Mdulo Tutor, Mdulo de Domnio e Interface. A Figura 1,
apresenta a arquitetura multipartida onde os mdulos esto representados com suas
6
inter-relaes e em seguida h uma pequena descrio dos mdulos que compe a
arquitetura clssica de um STI:
Mdulo Mdulo
Domnio Tutor
Aluno
Mdulo
Aluno Interface
7
e reconhecimento de voz. Outra questo a ser considerada a aplicao de
realidade virtual para permitir uma imerso total do estudante no sistema.
Conforme Giraffa [GIR2001], esta proposta trouxe grandes avanos
modelagem de ambientes educacionais, pois separou o domnio da sua forma de
manipulao. Permitindo, assim, que estratgias de ensino fossem associadas em funo
das informaes oriundas da modelagem do aluno e relacionadas com que o domnio
(contedo) organizado.
Esta arquitetura clssica, foi ampliada por Self [SELF1999 apud GIR2001],
para tornar uma arquitetura tripartida associada ao modelo de interao que ocorre ao
longo de uma sesso de trabalho entre o aluno e o ambiente. A Figura 2 mostra a
arquitetura tripartida proposta por Self para os STI.
Modelo de Modelo de
Situao Interao
Mdulo Mdulo
Domnio Aluno
Mdulo
Tutor
Modelo de
Permisses
8
Agora, relacionando STI com agentes citamos Claude Frasson [FRA2000]:
Uma das mais promissoras aplicaes de agentes autnomos est provavelmente na
educao e treinamento (p.554).
Existem diversos exemplos na literatura sobre a utilizao de agentes em
sistemas educacionais. Segundo Shoham [SHO1993 apud THI1999], uma sociedade de
agentes para aprender e ensinar pode ser a soluo para a construo de ambientes de
ensino e aprendizagem, se os agentes trabalham de uma maneira concorrente e
autnoma para alcanar seus objetivos. Os agentes em um ambiente de
ensino/aprendizagem so considerados autnomos porque: as atividades dos agentes
individuais no requerem constante superviso externa (humana), e no h (ou deveria
haver) autoridade central projetada para controlar todas as interaes desempenhadas
entre os agentes.
Segundo [GR98], o uso de agentes na concepo de sistemas educacionais traz
algumas vantagens, tais como: reagir s aes do usurio, credibilidade, modelagem de
sistemas colaborativos multi-usurio e modularidade, pelo fato de que cada agente um
mdulo nico e independente do outro ficando mais fcil adicionar outros agentes a
estes sistemas . Para [GIR1998] as vantagens so as seguintes:
- conhecimento pode ser distribudo entre vrios tutores, cada um com suas
crenas, desejos, objetivos, emoes e planos de ao. Esta distribuio cria
maiores oportunidades de variar tcnicas pedaggicas;
- o aprendiz interage com um tutor de forma mais flexvel;
- aprendiz pode passar conhecimentos ao tutor que sero repassados a outros
aprendizes.
Conforme [WEB2001], as tecnologias baseadas na Web em conjunto com
metodologias multiagentes formam uma nova tendncia na modelagem e
desenvolvimento para ambientes de aprendizagem. A Educao baseada na Web tem
sido extensivamente pesquisada, onde os benefcios de aprendizagem so grandes.
Como por exemplo, alcance da informao sem condicionamento ao espao fsico,
facilidade de atualizar o contedo, etc. Entretanto, as metodologias multiagentes tem
surgido com uma alternativa para conceber aplicaes de aprendizagem distribuda,
devido ao conjunto de caractersticas inerentes ao conceito de SMA e as peculiaridades
de uma sociedade de agentes A principal razo para isto deve-se ao fato que esta
tecnologia lida muito bem com aplicaes criticas, tais como: distncia, cooperao
entre diferentes entidades e integrao de diferentes componentes de software
9
Segundo [VAS2001], no futuro, os ambientes da aprendizagem estaro
acessveis a qualquer lugar e a qualquer hora. Os estudantes desses ambientes estaro
distribudos no espao e no tempo. Logo, trabalhos que utilizam arquiteturas
multiagentes oferecem uma promissora abordagem para o projeto desses ambientes,
desde que estes ambientes sejam distribudos. Com a modularidade e a uniformidade
dos agentes e com a padronizao os protocolos de interao, o nvel de escalabilidade e
interoperao podem ser alcanados, o que no pode ser conseguido to facilmente com
o uso de outras tcnicas. As arquiteturas multiagentes permitem o constante crescimento
e a heterogeneidade do ambiente de software. Atualmente, no h muitos ambientes
distribudos de aprendizagem baseados em arquiteturas multiagentes. Isto deve-se a
vrios fatores:
- A complexidade em modelar e implementar STI e ambientes de ensino-
aprendizagem inteligentes. Sua arquitetura mais complexa e a modelagem
dos seus componentes e interrelaes demorada, necessitando de uma
grande quantidade de trabalho cooperativo em equipe interdiciplinar;
- A tecnologia de agentes aplicada a tais ambientes agrega mais complexidade
ao seu projeto e pode ser considerada como um fato mais recente. Trabalhos
mais significativos remontam aos ltimos 5 anos de pesquisa. Como se pode
observar na anlise dos anais dos principais Congressos e eventos da rea,
tais como: Intelligent Tutoring Systems ITS (1996, 1998 e 2000), Artificial
Intelligence in Education AIED (1997, 1999 e 2001), ), Brazilian
Symposium on Artificial Inteligence SBIA (1995 e 1998), ), Simpsio
Brasileiro de Informtica na Educao SBIE (1998, 1999, 2000 e 2001),
WorkShops de Ambientes de Aprendizagem Baseados em Agentes - SBIE
(1999, 2000 e 2001), The International Journal of Artificial Intelligence in
Education IJAIED.
Os avanos mais recentes no campo dos ambientes de aprendizagem
inteligentes, tm proposto o uso de arquiteturas baseadas em sociedades de agentes. Os
princpios dos sistemas multiagentes tm mostrado um potencial bastante adequados ao
desenvolvimento de sistemas de ensino, devido ao fato de a natureza do problema de
ensino-aprendizagem ser mais facilmente resolvido de forma cooperativa, [BIC1998].
Alm disso, ambientes de ensino baseados em arquiteturas multiagentes possibilitam
suportar o desenvolvimento de sistemas de forma mais robusta, mais rpida e com
menores custos.
10
O prximo captulo apresenta o resultado da reviso bibliogrfica realizada nos
principais congressos da rea de STI e Workshops recentes onde foram apresentados os
trabalhos que representam o estado da arte neste segmento de pesquisa.
3
Voyager uma arquitetura proprietria para agentes mveis da ObjectSpace
(http://www.objectspace.com). A plataforma Voyager tem como objetivo dar suporte a objetos mveis e
agentes autnomos. Desenvolvida em Java, esta plataforma suporta vrios padres, tais como: CORBA,
COM e RMI. No contexto deste projeto, o mdulo de comunicao esta baseado inteiramente nesta
arquitetura, permitindo aos agentes do sistema comunicar-se uns com os outros
11
- O servidor chat que organiza o fluxo de mensagens atravs da rede;
- Uma interface dedicada para o usurio e o administrador do sistema. Permite
que o usurio envie e receba mensagens, consulte e modifique seu perfil e
permite que o administrador observe e ajuste os parmetros do processo de
clustering4 e alterar a base de conhecimento;
- Um agente Pessoal para cada usurio que realiza o servio de anlise e
apresentao do servio, Figura 4;
- Uma base de conhecimento, onde so alocadas diferentes palavras-chave
sobre o domnio do conhecimento e seus links;
- Um agente Mediador para dedicar-se ao processo de clustering e facilitar a
comunicao entre os agentes.
Base de
Agentes Perfis
Mdulo de Perfil do
Clustering usurio
Mensagens
enviadas
Base de
Conhecimento
4
Processo de Agrupamento.
12
O perfil do usurio contm todas as informaes relevantes sobre o interesse do
usurio na escolha do domnio o qual permitir aos agentes encontrar similaridades e
consequentemente realizar agrupamentos coerentes.
O mdulo de aprendizagem responsvel por modificar o perfil do usurio
fazendo-o mais acurado e mais realista. Este processo feito em duas etapas:
- O primeiro passo consiste na aquisio preliminar de informao sobre o
usurio atravs de um questionrio. Na primeira vez que o sistema usado o
usurio convidado a preench-lo dando ao sistema palavras-chave
refletindo seus interesses (projetos, realizaes e experincias);
- O segundo passo a anlise da discusso, a qual consiste na extrao de
palavras-chave do domnio das mensagens enviadas pelo usurio e a
atualizao do perfil, incrementando o peso dos conceitos associados.
O perfil do usurio composto por um conjunto de informaes ponderadas, isto
, cada um deles possui um peso associado ao contexto onde esto inseridos. Isto
permite um ajuste mais personalizado e detalhado do aluno.
Dois aspectos demonstram a mobilidade e autonomia dos agentes. Primeiro, a
analise da discusso dos usurios pelos agentes pessoais. Depois de ter analisado e
atualizado os perfis dos clientes, o agente vai para uma outra mquina conectada a rede
e encontra outros agentes. A segunda importante evidncia da mobilidade acontece
quando o usurio pergunta para o segundo usurio quem o membro do mesmo grupo,
como determinado pelo agente mediador. Neste momento a requisio do agente do
usurio (A) usar a sua autonomia para mover-se e encontrar o agente associado ao
cliente (B). Ento o agente (A) ter possibilidade de questionar mais sobre o agente (B).
Se o agente )B) aceitar as requisies, ento o agente (B) dar ao agente (A) as
informaes pessoais (nome real, e-mail, descrio do projeto, etc)
Estas duas situaes demonstram a fora alcanada pela mobilidade e autonomia
dos agentes, a qual permite considervel reduo do nmero de mensagens transmitidas
na rede, desta maneira o risco de sobrecarga na rede e falta de recursos so reduzidas.
Mesmo quando o nmero de agentes pessoais alto (o nmero de agente igual ao
nmero de usurios)
13
O algoritmo de clustering utilizado pelo sistema baseado no Map Kohonen5 . O
Map Kohonen composto de duas camadas distintas: a camada de entrada e a camada
de projeo. Cada neurnio a entrada que representa um atributo ou dimenso dos
dados de entrada. Cada um dos neurnios conectado a todos os neurnios da camada
de projeo e cada coneco esta associada a um peso, geralmente um nmero entre 0 e
1. Com esse vetor, cada neurnio tem a possibilidade de computar seu nvel de ativao.
No sistema, o Map Koronen, encontrado no agente Mediador o qual recebe os
perfis dos usurios trazidos pelo agente pessoal, em seguida o perfil adicionado base
contendo todos os perfis. Esses perfis so ento convertidos um a um em pesos em um
vetor que ento ser usado para ativar valores das unidade de entrada da rede neural. A
rede ento treinada atravs dos conjunto de perfis. Um cluster determinado para
cada perfil pelo nvel de ativao e determina o maior para cada um.
3.2 LeCS
O LeCS (Learning from Case Studies) foi desenvolvido pelo Departamento de
Computao e Estatstica da UFSC (Santa Catarina Brasil), em conjunto com a
Universidade do Vale do Itaja (Univali) e a Unidade de Aprendizagem Baseada em
Computador da Universidade de Lees (Leeds UK), LeCS um sistema inteligente de
aprendizagem distncia, o qual, segundo [ROS2000], possui uma arquitetura baseada
em um Sistema Federativo de agentes.
A Figura 5 descreve a arquitetura e a estrutura da comunicao usada, a
qual estabelece que a comunicao no acontece diretamente entre os agentes, mas
atravs de um Facilitador (Facilitator). O Facilitator um programa especial
(implementado como um agente) que guarda a informao sobre cada agente no sistema
e responsvel pelo roteamento dessas mensagens, trabalhando como um broker. H
dois banco de dados implementados: o primeiro o prprio Facilitator que armazena
todas informaes necessrias para rotear as mensagens, e o segundo um mecanismo
de logs que armazena todas as trocas de mensagens.
A arquitetura inclui trs classes de agentes: Agente Interface, Agente de
Informao e Agente Conselheiro.
5
Kohonen Maps um tipo de rede neural que realiza aprendizagem no-supervisionada
14
Information Advising
Agent Agent : KQML
Facilitator Logs
15
entendimento de caso de estudo e envia uma requisio para uma
interveno do Agente Interface.
Comunicao dos agentes est baseada na Agent Comunication Language (ACL)
e as mensagens trocadas entre os agentes usam o formato da Knowledge Query and
Manipulation Language (KQML).
O sistema foi implementado na linguagem Delphi, numa arquitetura cliente-
servidor. O servidor hospeda as sees, as quais so associadas com um grupo de
estudantes trabalhando cooperativamente. O cliente roda na mquina do estudante
permitindo dessa forma que vrios estudantes possam participar de uma mesma sesso.
A Figura 6 mostra a interface com o usurio do sistema LeCS, a qual composta
da seguinte maneira: uma lista de participantes, um browser, uma rea para a
representao grfica da soluo, um chat, um editor de texto colaborativo e uma rea
de intervenes do sistema. O browser usado para acessar web pages que apresentam
o contedo dos estudos de caso e os passos para guiar o desenvolvimento da soluo
deste casos. O chat o lugar onde pode acontecer as discusses sobre o assunto. O
editor de texto usado para responder as questes colocadas em cada etapa.
16
distncia onde o mtodo de aprender atravs de estudos de casos. O sistema inclui as
ferramentas necessrias para desenvolver a soluo para um determinado caso (a ser
modelado pelo professor) e desempenha funes que do apoio ao processo de
aprendizado.
3.3 LANCA
17
grava as aes do aprendiz para fornecer uma ajuda futura para este tipo de
aprendiz. E ele pesquisa novas lies pertinentes, controla o progresso do
aprendiz e em caso de queda da performance, ele capaz de mudar a estratgia
de ensino.
18
A
S
Y INTERNET
N
C
R
H
O Web Market
N
O
U Explanations Complementary
Mediator
S Base Explanations
Base
L
E Courseware
Negotiating
Negotiating
Negotiating
A
R Agent Agent Agent
N
I
N
G
S
Y
N
C Dialog Dialog Dialog
R Agent Agent Agent
H
O ...
N
O
U
S Pedagocical Pedagocical Pedagocical
Agent Agent Agent
L
E
A
ITS ITS ITS
R
N process process process
I
N
G Learner Learner Learner
3.4 Baguera
19
metodolgica para guiar a concepo e modelagem de ambientes de aprendizagem. A
plataforma Baguera est fundamentada no princpio que a funo educacional do
sistema est nas interaes organizadas entre os componentes: agentes e humanos e, no
meramente na funcionalidade de uma de suas partes.
O primeiro resultado desse projeto inclui uma arquitetura multiagente baseada
na Web para ambientes de aprendizagem e um prottipo para a aprendizagem de
geometria.
A plataforma Baguera foi desenvolvida usando JatLite
(http://java.stanford.edu/). Cada agente foi extendido por um mdulo de interao que
fornece suporte ao gerenciamento de protocolos entre os agentes. Os agentes possuem
habilidade de comunicar-se com outros agentes, raciocinar e tomar decises. A
comunicao entre agentes est baseado na Teoria dos Atos de Fala , em adequao
com o padro FIPA-ACL (http://www.fipa.org/).
A arquitetura multiagente da plataforma Baguera foi concebida pela metodologia
AEIO (Agent, Environment, Interactions, Organisation), uma metodologia para a
anlise e projeto orientados a agentes proposta por Demazeau [DEM1995]. Como
resultado desse processo, estudantes e professores interagem com diferentes agentes.
Cada estudante apoiado por trs agentes artificiais, que so:
- Companion Student (Companheiro do Estudante) um agente associado
com a interface do estudante. Monitora as aes do estudante, notificando
outros agentes quando necessrio. Este agente controla o acesso a pasta
eletronica do estudante e pode interagir com outros agentes: Agentes
Companheiros Professores e Agentes Companheiros Estudantes. Dessas
interaes, o agente traz ao estudante informaes sobre o ambiente e
permite a comunicao com professores e outros estudantes conectados.
- Tutor Agent (Tutor) Esse agente pode interagir com o Agente Mediador,
Agente Assistente, Agentes Tutores e Agentes Companheiros. Pode acessar a
pasta do estudante para retomar, adicionar exerccios e atualizar o histrico
do estudante. Estes agentes so capazes de modelar as concepes do
estudante.
- Mediator Agent (Agente Mediador) O objetivo deste agente enviar as
solues do estudante a um solucionador de problemas apropriado. Este
agente implementa tcnicas para analisar e apresentar provas e pode interagir
com outros agentes.
20
Similarmente, cada professor apoiado por dois agentes artificiais:
- Companion Teacher (Companheiro do Professor) Este agente associado
com a interface do Professor. Ele traz para o usurio informaes sobre o
ambiente de aprendizagem. Este agente media a comunicao com outros
humanos e agentes artificiais, como edio de novas atividades para os
estudantes, distribuio de tais atividades ao estudantes e superviso dos
trabalhos feitos pelos estudantes. O Agente Companheiro Professor pode
interagir com o Agente Assistente, Agente Tutor e qualquer Agente
Companheiro.
- Assistant Agent (Agente Assistente) Um agente assistente tambm um
tipo de agente pessoal, o qual tem como objetivo assistir o professor com a
criao e distribuio de novas atividades, que so armazenadas na pasta
eletronica do professor. Este agente controla o acesso a pasta eletronica do
professor e pode interagir com o Agente Tutor, outros Agentes Assistentes e
companheiros. Alm disso, estes agentes so notificados de novas coneces
de estudantes e professores pertencentes a classe dos professores.
O prottipo do ambiente para a ensinar prova de uma determinada geometria
est baseado na plataforma multiagente apresentada. Os usurios podem ter acesso ao
ambiente de aprendizagem atravs de qualquer browser que suporta Applets Java,
acessando a seguinte URL: http://www-baghera.imag.fr.
A relao dos estudantes apresentada, primeiramente, como mostrado na
Figura 8. Desta janela os estudantes tm o acesso sua classe, os exerccios a serem
resolvidos e, na parte inferior da janela, os estudantes podem estabelecer um dilogo
simples com seu agente pessoal. Uma vez que um estudante escolheu um exerccio para
trabalhar, EuclideJava (Figura 9) iniciado.
21
Figura 8: Interface geral do estudante no sistema Baguera
22
3.5 I-Help
23
Cada agente possui um modelo de seu usurio e de outros agentes que ele
encontrou e negociou. Os agentes comunicam-se com outros agente e com Agentes
Matchmaker (combinadores) para procurar por recursos apropriados para seus usurios,
dependendo do tpico da ajuda requisitada. Se um recurso eletrnico for encontrado
(representado por agentes de aplicao), o agente pessoal apropria-se do recurso e
apresenta-o ao usurio em um browser. A ajuda arranjada (negociada) inteiramente
pelos agentes pessoais, livrando o aprendiz da necessidade de negociar e pensar sobre o
custo da ajuda. Desta maneira os agentes pessoais negociam a ajuda de seus usurios
em um mercado virtual de ajuda.
Arquiteturas multiagentes envolvem vrios nveis de organizao, incluindo
negociao entre os agentes. Desta maneira, consegue-se um sistema distribudo, multi-
usurio, multiaplicao, adaptvel e auto-organizado que suporta alocao de recursos
de ajuda (outros usurios, aplicaes e informaes).
24
durante o processo de explicao ou resoluo de problemas. Ele tem dois objetivos
especficos: descobrir a fonte do mal entendimento do aprendiz atravs do modelo do
estudante, e ajudar o projetista do curso a adaptar suas explicaes de acordo com estas
observaes. utilizado a teoria de Mapas Conceituais para estruturar as explicao em
uma representao formal. Esta representao usada pelo Agente Explicao para
fazer suas dedues sobre conceitos mal entendidos pelo aprendiz.
O termo Agentes Pedaggicos, usado para referir-se a agentes criados para
ajudar pessoas iniciantes no processo de aprendizagem, por meio da interao com o
aprendiz.
Agentes Pedaggicos exibem um conjunto de caractersticas: Eles podem
adaptar suas interaes necessidades do aprendiz, e o estado corrente do ambiente.
Eles podem colaborar com aprendizes e outros agentes e so capazes de providenciar
um contnuo feedback ao aprendiz. E eles podem mostra-se como figuras vivas,
introduzindo emoes e aspectos sociais em suas interaes e ralaes com o aprendiz.
A arquitetura do ambiente de aprendizagem uma arquitetura cliente-servidor
dividida em duas partes (Figura 12):
- Um editor no servidor onde o curso, exerccios e explicaes so criadas;
- O ambiente de aprendizagem onde o Agente Explicao est envolvido;
O Editor do ambiente possui os seguintes componentes:
- O Modelo de domnio: composto por todos os cursos e exerccios
disponveis. Cada curso pode ser representado numa forma de rede
semntica. A menor unidade de dados na representao chamada de
conceito. Cada exerccio composto de um rtulo, possveis respostas e um
conjunto de erros pr-definidos;
- O Agente Servidor: O Agente Explicao armazenado no servidor. Em
cada sesso de aprendizagem ele enviado para a mquina do aprendiz;
- O Modelo do Estudante: o modelo do Estudante um modelo de
perturbao e mais precisamente um modelo de bug. A tcnica comum para
implementar um modelo de perturbao representar o conhecimento do
especialista e ento argumentar sua representao com o conhecimento
explicito do provvel conceito mal entendido. Neste sistema o projetista tem
que elaborar uma biblioteca de bugs para cada exerccio enumerando um
conjunto de bugs que ele notou atravs de suas experincias;
25
- A Base de Conhecimento: usada para armazenar cursos, exerccios e
explicaes;
- O Editor de Explicaes: usado para produzir explicaes na forma de
textos ou web pages. Estas pginas podem conter imagens, vdeos e
simulaes virtuais. Depois de projetar a explicao na forma de textos ou
web pages, o projetista tem que decompo-los em conceitos chaves e links
semnticos entre esses conceitos.
Cursos, exerccios e explicaes so apresentados no ambiente de aprendizagem
que composto da seguinte forma:
- Mdulo Dilogo: este mdulo interage com o aprendiz atravs de uma
sesso de aprendizagem: inicializando um dilogo, criando e atualizando o
modelo do estudante e manipulando o processo de comunicao;
- Agente Explicao: na seo de aprendizagem, o Agente Explicao
apresenta explicaes adaptadas ao modelo do aprendiz. Ele envia
informaes relacionadas com a performance do aprendiz ao servidor e todas
as informaes necessrias para detectar as incompreenes do aprendiz.
Editor do ambiente
Modelo de domnio
Processo de
Recomendao Servidor Agente
Modelo do estudante
Ambiente de Aprendizagem
Interface do Aprendiz
Aprendiz
26
A arquitetura do agente dividida em camadas. Uma de cognio, outra de
explicao e outra de percepo (Figura 13). Cada uma sintetizando uma ou vrias das
caractersticas do agente. As caractersticas do agente so: reatividade, mobilidade,
autonomia, aprendizagem, deduo e capacidade de compreenso.
2 3
3.7 AME-A
27
Agente Aprendizagem_No Agente Ferra-
Supervisionada mentas_Para_Professor
Agente Humano
Promove_Interao
Agente
Modela_Aprendiz
Agente
Agente
Orienta_Aprendizagem
Seleciona_Estratgia
Agente
Orienta_Avaliao
Agente
Analisa_Aprendizagem
28
informaes que caracterizam o aluno so passadas para o agente
Seleciona_Estratgia.
- Agente Seleciona_Estratgia: Para o perfil do aprendiz, foram definidos
mtodos de ensinar e caractersticas relevantes. Durante a interao do aluno
no ambiente, o agente pode mudar o perfil do aprendiz, caso perceba alguma
modificao em seu comportamento, e esta informao passada ao agente
Seleciona_Estratgia. O agente Seleciona_Estratgia muda a estratgia para
um determinado aluno quando o agente Modela_Aprendiz, ou o agente
Analisa_Aprendizagem, informarem alguma alterao na aprendizagem,
motivao e personalidade do aluno. Neste trabalho o agente
Seleciona_Estratgia, seleciona uma estratgia hbrida com base em
caractersticas do aluno e caractersticas das estratgias que se enquadram
para um determinado perfil de aluno.
- Agente Orienta_Aprendizagem: busca o endereo no banco de dados e
apresenta o material, conforme plano de ensino, isto , a seqncia de aes
(tticas) geradas pelo agente Seleciona_Estratgia. O material de ensino,
tambm denominado domnio do conhecimento (conceitos gerais, conceitos
mais abrangentes, exemplos, mensagens, alertas, grficos, tabelas, etc.), est
armazenado sob a forma de diferentes mdias (vdeo, texto, grfico, udio,
etc.), as quais so utilizadas para a sua apresentao. No banco de dados
encontram-se os endereos das pginas conforme uma estrutura pr-definida,
a qual retrata o plano de ensino com todas as possibilidades de estratgias,
onde o professor disponibilizou atravs do agente
Ferramentas_Para_Professor.
- Agente Orienta_Avaliao: informa ao agente Orienta_Avaliao a sesso
atual, informaes do aprendiz e objetivo em curso. Com essas informaes,
o agente Orienta_Avaliao busca e apresenta o material de avaliao
correspondente.
- Agente Analisa_Aprendizagem: analisa e verifica a aprendizagem durante
a interao do aprendiz, e informa ao agente Seleciona_Estratgia. Caso o
aprendiz no estiver aprendendo, o agente seleciona outra estratgia de
ensino.
29
A anlise deste ambiente mostrou a possibilidade de utilizao de mltiplas
estratgias de ensino, selecionadas em funo de parmetros que o agente
seleo_estratgia recebe de outros agentes.
Na implementao deste ambiente, usou-se a linguagem Java para manter a
independncia de plataforma e o acesso atravs do WWW. Para armazenar o
conhecimento, um banco de dados foi definido em um servidor, permitindo o acesso dos
diversos seguimentos da nossa comunidade.
3.8 Eletrotutor
30
mentais para modelar a base de conhecimento que representa os estados do ambiente
onde o agente est inserido.
A sociedade de agentes proposta na terceira verso do Eletrotutor contm
agentes autnomos que comunicam-se uns com outros, cada agente possui funes e
objetivos dentro de sua especialidade. A Figura 15 representa a arquitetura elaborada
neste trabalho, baseada em [SIL1998].
31
com o Agente Interface. Possui como caractersticas bsicas a colaborao,
adaptabilidade e continuidade temporal;
- Agente Gerenciador de Exemplo: O agente Gerenciador Exemplo
responsvel pela tarefa de propor exemplos ao aluno. Pode trocar mensagens
com os agentes Gerenciador Modelo do Aluno e Agente Interface. Como
caractersticas bsicas o agente Gerenciador Exemplo colaborador,
adaptvel e continuidade temporal;
- Agente Gerenciador de Atividades: O agente Gerenciador Atividade
responsvel pela tarefa de propor atividades extras ao aluno. Pode trocar
mensagens com os agentes Gerenciador Modelo do Aluno e Agente
Interface. Suas caractersticas bsicas so: colaborao, adaptabilidade e
continuidade temporal;
- Agente Gerenciador do Modelo do Aluno: O agente Gerenciador Modelo
do Aluno responsvel por construir e manter uma base de conhecimento
que modele o estado cognitivo dos alunos que estejam conectados ou que
tenham estado conectados ao sistema. Quando a sesso tutorial inicia o ele
recebe informao do Agente Interface , sobre a identificao do aluno, para
que possa recuperar o Modelo do Aluno correspondente e conforme o
andamento das lies decidir qual a estratgia de ensino a ser utilizada com
este aluno. Possui como caractersticas a colaborao, adaptabilidade,
racionalidade e continuidade temporal;
- Agente Interface: O Agente Interface possui como funo o controle do
browser no ambiente do aluno. As mensagens so recebidas e enviadas a
todos os agentes atravs do agente Gerenciador de Comunicao. Este agente
no possui inteligncia, apenas repassa as atividades do aluno na interface do
sistema. Como caractersticas, possui reatividade e autonomia;
- Agente Gerenciador de Comunicao: O agente Gerenciador de
Comunicao responsvel pela comunicao do agente Interface com os
demais agentes. Recebe e envia mensagens aos agentes Gerenciador Modelo
do Aluno e Agente Interface, conforme necessidades do Gerenciador de
Domnio, no trata mensagens, s as repassa. No possui nenhuma
inteligncia. Como caractersticas, possui reatividade, habilidade social,
autonomia e continuidade temporal.
32
Com relao a implementao, o ambiente foi desenvolvido na linguagem Java,
com o objetivo de manter a independncia entre plataformas e o acesso atravs da
Internet. Os agentes trocam mensagens atravs do Remote Method Invocation (RMI).
As mensagens trocadas seguem um protocolo baseado na linguagem KQML. A base de
conhecimento est armazenada em um banco de dados relacional, o Oracle verso 8.0.4.
33
Social Semiotic
Agent Agent
WWW
Group Models Exercises
Examples
34
permite detrminar as melhores aes para serem executadas para auxiliar o
processo de aprendizagem do estudante.
- Semiotic Agent (Agente Semitico ) Para o Agente Mediador completar
seu papel, necessrio a iNterveno de uma estimulao externa (sinais)
para o estudante. O Agente Semitico auxilia a atividade cognitiva do
estudante introduzindo esses elementos, por exemplo: figuras, sons, textos,
nmeros, etc.
- Social Agent (Agente Social) O Agente Social conhece todos os Agentes
ZPD da sociedade e tambm tem conhecimento da presena de Agentes
Sociais. Sua funo estabelecer a integrao da sociedade e construir
modelos de grupos de estudantes. Uma de suas atividade de Agente social
investigar a existncia de estudantes que tenham o conhecimento necessrio,
crenas e tipos de personalidade que seriam melhor apropriados para uma
cooperao entre os estudantes.
- Human agents (Agentes Humanos) Os agentes humanos so vistos como
agentes que estabelecem relacionamento social com cada um conforme suas
caractersticas pessoais e personalidade. Ento importante que a
caracterstica pessoa e a personalidade do estudante estejam contidas no
modelo, estes traos afetaram a interao diretamente atravs dos papis que
cada estudante assumir. Estes papis determinam a afeio que acontecer
no grupo de estudantes.
O ambiente ser implementado em Java e utiliza KQML para o processo de
comunicao.
Este trabalho envolve vrios projetos menores relacionados a teses de doutorado
(PGIE e PGCC/UFRGS) e mestrado (PGCC/UFRGS). Sendo que um deles
encontramos a pesquisadora do GIE-FACIN/PUCRS, Profa. Adja Ferreira, autora da
proposta.
O trabalho de coordenao das contribuies individuais dever impactar e
modificar a arquitetura aqui apresentada. Apesar de ser um trabalho inicial nos trouxe as
contribuies necessrias para o tipo de trabalho que se pretende neste estudo.
35
4. Estudo Comparativo sobre as arquiteturas selecionadas
36
- Tipo de comunicao: visa identificar se existe ou no um padro utilizado
para a comunicao entre os agentes;
- Linguagem e/ou Ferramenta de Implementao: visa identificar o tipo de
ambiente utilizado para implementar os ambientes;
- Tipo de arquitetura SMA utilizada: visa identificar se os autores
utilizaram ou explicitaram o tipo de arquitetura para a sociedade de agentes
que est relacionada com a proposta do ambiente;
- Estratgias de Ensino utilizada: visa identificar o tipo de estratgias de
ensino utilizada para auxiliar a promover a aprendizagem do contedo
(domnio) nos usurios dos ambientes;
- Tipo de Modelo do Aluno: visa identificar o tipo de modelo do aluno
criado/desenvolvido a partir das interaes do sistema com o usurio em
funo dos modelos encontrados na literatura de STI;
- Interface Grfica: visa identificar se o sistema utiliza ou no interfaces
grficas e o grau de adaptabilidade do sistema que ela reflete (exibe) para o
usurio;
- Ferramentas auxiliares: visa identificar quais as ferramentas auxiliares
mais utilizadas em ambientes de ensino-aprendizagem.
37
Quadro 1: Funcionalidades identificadas nos ambientes
Nome
White Rabbit LeCS AME-A Lanca Baguera
tens
Aumentar a cooperao entre um Dar suporte aprendizagem Prope-se ao ensino genrico e Expor que agentes inteligentes Desenvolver um
grupo de pessoas pela anlise de colaborativa atravs da WWW. adaptvel s caractersticas em STI podem ser adaptados fundamentao terica
Objetivo suas conversaes. psico-pedaggicas do aprendiz para aprendizagem distncia metodolgica para guiar
concepo e modelagem d
ambientes de aprendizagem.
Domnio
Independente de domnio Independente de domnio Independente de domnio Independente de domnio Independente de domnio
(Contedo)
Quantidade
2 3 8 4 5
de agentes
Q Agente Pessoal: responsvel Q Agente Interface: armazena R Agente Aprendizagem R Agente Pedaggico: Q Agente Companheiro d
por obter informaes dos as informaes obtidas pela No_Supervisionada: gerencia a supervisionar a aprendizagem. Estudante: monitora as aes d
alunos; gerenciar a interface interao com a interface do aprendizagem livre (sem R Agente Dilogo: fornece estudante, etc.
grfica, etc. ambiente; realiza intervenes superviso). ajuda e explicao ao aluno. R Agente Tutor: modela a
R Agente Mediador: facilita a sobre o tempo e participao, Q Agente Promove Interao: Q Agente Negociador: negocia aes do aluno, etc.
comunicao entre os agentes etc. auxilia na interao do informaes na Web com outros R Agente Mediador
pessoais; gerencia o processo de R Agente Informao: lida com participantes (Aluno e agentes. intermedia as solues do alun
clustering para a construo do o domnio e o conhecimento professores). Q Agente Moderador: avaliar e com um Solucionado
modelo do aluno, etc. pedaggico. R Agente Ferramentas Para melhorar a funcionalidade do apropriado, etc.
R Agente Conselheiro: realiza Professor: orientar o professor e sistema. Q Agente Companheiro d
intervenes quando um mal armazenar o material do curso. Professor: interface do sistem
entendimento do aluno R Agente Modela Aprediz: com o professor, auxilia
Atividades dos agentes percebido. personaliza o ensino conforme o professor sobre o processo d
Tipo, nome e atividade) modelo do aluno. aprendizagem, etc.
R Agente Seleciona Estratgia: Q Agente Assistente: agent
seleciona a estratgia apropriada pessoal do professor, auxilia n
conforme o perfil do aluno. distribuio de novas atividades
Q Agente Orienta etc.
Aprendizagem: busca e
apresenta o material de ensino.
R Agente Orienta Avaliao:
auxilia no processo de avaliao.
R Agente Analisa
Aprendizagem: analisa e verifica
a aprendizagem durante a
interao.
Quadro 2: Funcionalidades identificadas nos ambientes (continuao)
Nome
White Rabbit LeCS AME-A Lanca Baguera
tens
Tipo de comunicao
? KQML ? ? KQML
entre os agentes
Linguagem e/ou
Ferramenta Supostamente Java, JavaScript e
HTML
Delphi Java ? JATLite
de desenvolvimento
Tipo de
arquitetura/sociedade Sociedade heterognea e aberta Sistema Federativo de Agentes Sociedade heterognea e fechada Sociedade heterognea e fechada ?
SMA utilizada
Estratgias
Mltiplas estratgias de ensino Mltiplas estratgias de ensino Mltiplas estratgias de ensino Mltiplas estratgias de ensino ?
de Ensino utilizada
Modelos pr-definidos, 4 pares
de modelos: Extrovertido
Introvertido; Sensitivo
Tipo de Modelo do
Intuitivo; Emocional - Racional;
Rede neural ? ? ?
Aluno Perceptivo Julgador, gerando
16 perfis psicolgicos,
classificados por uma Rede
Neural.
Interface
Grfica interativa Grfica interativa Grfica interativa Grfica interativa Grfica interativa
Grfica
Ferramentas
Browser e chat Browser, chat e editor de texto. ? Browser e chat Browser
auxiliares
3
Quadro 3: Funcionalidades identificadas nos ambientes
Nome
Explanation Agent Eletrotutor I-Help Modelo computacional de Vygotsky
tens
Prover respostas ou explicaes sobre o Desenvolver um instrumento para Auxiliar estudantes na soluo de Propor um ambiente que privilegie a
contedo com maior qualidade, verificar a eficcia do uso de diferentes problemas atravs da Web colaborao como forma de interao
Objetivo identificando problemas que possam abordagens de ambientes de ensino por social atravs do uso de linguagens,
ocorrer durante o processo de computador na escola smbolos e sinais.
explicao ou resoluo de problemas.
Domnio
Independente de domnio Fsica (Eletrodinminca) Independente de domnio Independente de domnio
(Contedo)
Quantidade
1 para cada usurio do sistema 7 3 5
de agentes
Q R Agente Explicao: apresenta Q Agente Gerenciador Domnio: Q R Agente Pessoal: controla recursos R Agente ZPD: responsvel por
explicaes adaptadas ao modelo do recupera informaes referentes ao especficos dos usurios (alunos ou observar o desenvolvimento e propor
aprendiz. domnio, etc. professores) atividades.
R Agente Gerenciador de Exerccio: Q R Agente de Aplicao: controla Q Agente Mediador: responsvel pela
prope exerccios e avalia respostas. recursos especficos das aplicaes. interface entre o sistema e o estudante.
Q Agente Gerenciador de Exemplo: R Agente Social: estabelece a
apresenta exemplos ao aluno. integrao da sociedade e constri
Atividades dos agentes R Agente Gerenciador de Atividades: modelos de grupos de estudantes.
(Nome e funo)
prope atividades extras ao aluno. R Agente Semitico: auxilia na
R Agente Gerenciador do Modelo do atividade cognitiva do estudante.
Aluno: constri e mantm o modelo do Q Agente Humano: estabelece
estado cognitivo do aluno. relacionamento social com cada agente
Q Agente Interface: controla a interface conforme suas caractersticas pessoais.
do ambiente.
Q Agente Gerenciador de
Comunicao: gerencia a interface do
ambiente com os demais agentes.
4
Quadro 4: Funcionalidades identificadas nos ambientes (continuao)
Nome
Explanation Agent Eletrotutor I-Help Modelo computacional de Vygotsky
tens
Tipo de comunicao
? KQML KQML KQML
entre os agentes
Linguagem e/ou
Ferramenta ? Java ? Java
De desenvolvimento
Tipo de
arquitetura/sociedade Sistema Federativo, sociedade Sociedade heterognea, aberta e baseada
Sociedade heterognea e aberta ?
heterognea e fechada em leis.
SMA utilizada
Estratgias
Mltiplas estratgias de ensino Mltiplas estratgias de ensino Mltiplas estratgias de ensino Mltiplas estratgias de ensino
de Ensino utilizada
Tipo de Modelo do
Modelo de Pertubao (Buggy) Modelo de Pertubao (Buggy) ? ?
Aluno
Interface
Grfica interativa Grfica interativa Grfica interativa Grfica interativa
Grfica
Ferramentas
? Browser Browser, frnuns e chat ?
auxiliares
4
4.1 Resultado da anlise comparativa
Agentes Pedaggicos
Executor de Assistentes
Tarefas
De acordo com a Figura 17, podemos observar que conjunto de atividades que
do suporte ao processo de ensino-aprendizagem dos Agentes Pedaggicos, pode ser de
duas formas distintas de atuao: atuao direta e atuao indireta. Na atuao direta, o
processo se d pelas seguintes tarefas: coleta de informaes (especialmente na Web);
enviar mensagens para outros agentes ou para o aluno; monitorar a interface para
identificar o tipo de atividade que o aluno est desempenhando; etc. Todas essas
atividades so realizadas pelo Executor de Tarefas.
importante salientar que o papel do Executor de Tarefas no est relacionado
diretamente com a parte pedaggica, ou seja, a seleo e adoo de estratgias do
estudante.
J na atuao indireta, o processo realizado, pelo que denominamos de
Assistentes, cujas tarefas so: intermediar e/ou analisar o fluxo de informaes entre os
estudantes; selecionar informaes/materiais; relacionar e determinar estratgias de
ensino para os estudantes e realizar o processo de modelagem do aluno. O que se
observou que os agentes do tipo Assistentes na realidade executam as tarefas do
mdulo tutor, na arquitetura clssica de STI.
A troca da palavra Tutor para Assistente se justifica pela troca de paradigma
educacional. Lembrar que nas dcadas de 70 e 80, do sculo XX, o paradigma utilizado
era comportamentalista. A difuso e adoo do paradigma construtivista, a partir da
dcada de 90, do mesmo sculo, mudou a concepo do papel do professor.
Isto pode ser claramente observado nas propostas mais modernas, com a
referncia ao Agente Assistente (Mediador, Moderador, Gerenciador, Negociados,
Facilitador, etc).
43
O Agente Executor de Tarefas pode buscar informaes, executar instrues
solicitadas pelo Agente Assistente. Basicamente, ele faz o papel de auxiliar do Agente
Assistente, desempenhando tarefas que so importantes para a tomada de deciso ou
execuo do (s) plano (s) adotado pelo Agente Assistente.
Ambientes que possuem mais de um agente, praticamente exigem troca de
informaes. Neste sentido, torna-se claro a necessidade de uma Linguagem de
Comunicao comum. A linguagem de comunicao entre os agentes, utilizada na
grande maioria dos ambientes estudados foi a linguagem KQML.
A Linguagem de Implementao utilizada determina a portabilidade,
performance, bem como recursos audiovisuais que podem ser utilizados no sistema.
Dentre os STI citados, os ambientes portveis so White Rabit, AME-A, Eletrotutor III,
e o Modelo Computacional proposto por [AND2001], que foram desenvolvidos em Java
(Ver critrios tcnicos no Quadro 1) e que, portanto, podem ser executados em qualquer
navegador World Wide Web (browser) ou sistema operacional que possua suporte
Java. O ambiente LeCS foi desenvolvido utilizando a linguagem Delphi. J o ambiente
Baguera foi desenvolvido com a Ferramenta JATLite, a qual possui um conjunto de
programas Java, que possibilitam a criao rpida de agentes que podem comunicar-se
pela Internet.
Segundo [OLI1996], existem trs critrios para classificao de uma sociedade
de agentes:
a) Quanto ao tipo de agentes:
- Sociedades homogneas: os agentes so todos do mesmo tipo, ou seja,
possuem arquiteturas idnticas;
- Sociedades heterogneas: existem agentes de diferentes tipos na sociedade.
b) Quanto migrao de agentes:
- Sociedades fechadas: h um nmero fixo e nico de agentes na sociedade;
- Sociedades abertas: o nmero de agentes nesta sociedade pode variar, pois
podem entrar novos agentes ou sair agentes da sociedade.
c) Quanto presena de regras de comportamento:
- Sociedades baseadas em leis: existem regras que determinam o
comportamento dos agentes;
- Sociedades sem lei: quando no h regras para reger os agentes da sociedade.
A maioria dos trabalhos analisados no descrevem a forma como esta organizada
e/ou estruturada a sociedade ou a arquitetura do sistema. Entretanto, podemos supor que
44
vrios ambientes apresentam caractersticas em que sua sociedade considerada uma
sociedade heterognea e fechada e possuem regras de comportamento para seus agentes.
Arquitetura de agentes refere-se ao modo de organizao dos agentes dentro de
um sistema e como esto estruturados seus relacionamentos e interaes. Assim como
existem diversas arquiteturas de software, o mesmo ocorre com relao as arquiteturas
de agentes, as quais possuem certas caractersticas que permitem a avaliao de sua
qualidade e eficcia.
Para exemplificar, tomemos como exemplo a arquitetura de Sistema Federado,
ou Federativo. Conforme [THI1999], a interao dos agentes assistida por um
programa especial denominado Facilitador, o qual oferece um conjunto de servios de
coordenao. A Figura 18 apresenta uma arquitetura baseada em um Sistema
Federativo.
Plataforma A Plataforma B
Agente Agente Agente Agente
Facilitador Facilitador
Plataforma C
Facilitador
Agente Agente
45
Agente
Agente
Blackboard
(Quadro negro)
Agente
Agente
46
Muitos sistemas selecionam e adotam mais de uma estratgia. Isso ocorre porque
os sistemas geralmente tem mais de um objetivo, princpios diferentes de instruir,
diferentes mtodos de estruturar o conhecimento, etc.
Os ambientes de ensino-aprendizagem computadorizados devem oferecer um
estudo individualizado ao aluno e, para tanto, todos os agentes possuem, mantm e
atualizam os dados dos alunos em um Modelo de Aluno que guarda informaes sobre o
nvel de conhecimento e as preferncias deste aluno. Os agentes usam as informaes
do modelo do aluno, para definir qual o melhor contedo e/ou exerccio a ser exibido
para o aluno.
Segundo [GIR1998], modelo do aluno representa o conhecimento e as
habilidades cognitivas do aluno em um dado momento. A partir desse modelo e do
contedo a ser ensinado, o sistema deve ser capaz de inferir a melhor estratgia de
ensino a ser utilizada.
Nos ambientes analisados so utilizadas diversas maneiras para construir o
modelo do aluno. Listamos a seguir algumas delas:
- incluir um reconhecimento de padres aplicados ao histrico das respostas
fornecidas por ele;
- comparar a conduta do aluno com a de um especialista e verificar os pontos
em comum;
- acrescentar as preferncias do aluno;
- incluir seus objetivos particulares;
- observar as coisas que o aluno sempre costuma esquecer quando interage
com o tutor;
Segundo [GIR2000], o modelo do aluno pode ser representado sob alguns
modelos de descrio, tais como: Modelo diferencial, Modelo de Overlay ou
Superposio, Modelo de Perturbao (Buggy), Modelo de Simulao, Modelo de
Crenas e Modelo de Agentes.
Na grande maioria dos trabalhos avaliados, no foi encontrada a citao explcita
do tipo de modelo do aluno. Entretanto, todos trabalham, basicamente, no tratamento do
erro cometido pelo aluno, quando est resolvendo um exerccio ou uma tarefa proposta.
A forma como este erro tratado utiliza muito dos modelos de Buggy, ou Perturbao
utilizados nos STI clssicos.
47
Somente, nos ambientes White Habbit e AME-A, o modelo do aluno
construdo sob uma rede neuronal construda atravs do algoritmo de aprendizagem
Map Koronen para a criao de clusters para cada perfil.
Para qualquer sistema interativo, a Interface Grfica de suma importncia. Em
relao esse aspecto, todos os ambientes analisados possuem interface grfica
interativa. No desenvolvimento de STI a preocupao com este aspecto no diferente.
Pelo contrrio, segundo [GIR2000], na interao que o sistema tutor exerce duas de
suas principais funes, que so: apresentao do material instrucional e a monitorao
do progresso do estudante atravs da recepo da resposta do aluno.
Pode-se citar algumas funes que a Interface do sistema deve propiciar:
- necessrio evitar que o estudante se entedie, ou seja, preciso riqueza de
recursos na apresentao do material instrucional;
- desejvel que haja facilidade para troca da iniciativa do dilogo: o
estudante deve poder intervir facilmente no discurso do tutor, e vice-versa;
- o tempo de resposta deve ser rpido;
- a monitorao deve ser realizada o mximo possvel em background, para
onerar o estudante com questionrios excessivos, mas respeitando tambm a
barreira do tempo de resposta;
Devido a isto, em muitos dos sistemas existem agentes executores para fazer
estas tarefas.
Em relao s ferramentas auxiliares que foram incorporadas nos sistemas para
auxiliar no processo de ensino-aprendizagem, podemos dizer que as ferramentas tais
como: browser e chat so essenciais por tratar-se de ferramentas que do suporte
comunicao em ambientes baseados na Web.
5 Consideraes Finais
48
Outro aspecto importante, resultante de nossa pesquisa, que o desenvolvimento
de STI que utilizam a tecnologia de agentes, no possuem uma metodologia clara e
estabelecida. Isto ocorre, tambm, devido ao fato de a prpria tecnologia de agentes
no possuir uma especificao ainda clara e concisa. Os STI so uma aplicao como
outra qualquer sob o ponto de vista de Engenharia de Software e, como tal, refletem a
questo crucial da rea de SMA onde a no-padronizao da modelagem ou inexistncia
de metodologias para se especificar SMA, se pe como uma questo em aberto.
Na tentativa de reduzir estes custos, conceitos bem conhecidos da Engenharia de
Software como reutilizao e modularidade tm sido pesquisados e utilizados. A
questo de fundo desenvolver STI de forma incremental, permitindo uma evoluo
contnua e baseada numa metodologia que contemple as peculiaridades desta aplicao.
Alis, uma metodologia de especificao de sistema deve poder permitir detalhar
as peculiaridades de cada aplicao. Para tanto, foi desenvolvida uma pesquisa acerca
das diferentes metodologias para a especificao de SMA a fim de determinar qual a
que seria mais adequada para os STI Multiagentes. Este trabalho ser apresentado em
um futuro RT.
O extenso trabalho de pesquisa desenvolvido para a elaborao deste estudo
permitiu-nos identificar o estado corrente (considerando o perodo estudado) no que
concerne STI que utilizam a tecnologia de agentes para a sua modelagem e
implementao. Espera-se, com este trabalho, ter contribudo para a discusso das
questes em aberto envolvendo a modelagem de STI utilizando a tecnologia de agentes.
Alm da organizao e anlise aqui documentada, este RT apresenta o
levantamento realizado na busca de elementos freqentes encontrados em STI
Multiagentes, objetivando verificar como os mdulos da arquitetura tradicional de um
STI foram substitudos por agentes.
Observou-se que a variedade de alternativas grande. Cada grupo/autor
apresenta uma interpretao prpria de como a abordagem multiagente se relaciona com
cada mdulo da arquitetura apresentada nas pginas 7 e 8 deste RT. Este trabalho est
vinculado ao projeto MASP (http://www.inf.pucrs.br/~giraffa/masp/).
6 Referncias Bibliogrficas
[AND2001] ANDRADE, Adja F. de; JAQUES, Patrcia A.; JUNG, Joo Luiz;
BORDINI, Rafael H.; VICARI, Rosa M.. A Computacional Model
49
of distance Learning Based on Vygotskys Socio-cultural Approach.
Workshop Multi-Agent Architectures for Distribuited Learning
Environments. Procedings International Conference on AI and
Education, San Antonio, Texas, May, 2001. P.33-40.
[BIC1998] BICA, Francine; SILVEIRA, R. A.; VICCARI, R. ELETROTUTOR III
Uma abordagem Multiagentes. IX Simpsio Brasileiro de
Informtica na Educao/SBIE Fortaleza, Novembro 1998.
[BIC1998a] BICA, Francine. Eletrotutor III - Uma Abordagem Multiagente para o
Ensino Distncia. CPGCC/UFRGS, Porto Alegre, 2001. Tese de
Doutorado.
[CAR1970] CARBONELL, J. R. AI in CAI: na artificial intelligence approach to
computer assisted instruction. IEEE Transactions on Man Machine
Systems, v.11, n.4, p.190-202, 1970.
[COS1995] COSTA, E. B. and LOPES, M. A. and FERNEDA, E.. Mathema: A
Learning Enviroment based on a Miltu-Agent Architecture. In
Lectures Notes in Artificial Inteligence. Advances in Artificial
Inteligence. Procedings of 12th Brazilian Symposium on Artificial
Inteligence. SBIA '95, Campinas, Brasil, october 1995. P.141-150.
[COS1996] COSTA, E. B..Um modelo de ambiente Interativo de Ensino-
Aprendizagem baseado numa rquitetura Muitl-Agentes. Campina
Grande: CPGEE/UFPA, 1996. Exame de Qualificao.
[DAM1997] D'Amico, C. B; Viccari, R. M.; Alvares, L.O. A Framework for Teaching
and Learning Environments. In: SIMPSIO DE INFORMTICA
NA EDUCAO, VIII, 1997, So Paulo, SP.
[DAM1998] D'Amico, C. B.; Pereira, A. S.; Geyer, C. F. R.;Viccari, R. M. Adapting
Teaching Strategies in a Learning Environment on WWW. In:
Proceedings of the WebNet World Conference of the WWW,
Internet & Intranet. Florida, USA. 1998.
[DAM1998a] D'Amico, C. B.; Pereira, A. S.; Geyer, C. F. R.; Viccari, R. M. Adaptive
Teaching and Learning Environment for Advanced WEB-Based
Educational Applications. In: Proceedings of the II Iberoamerican
Workshop on DAI and MAS. Toledo, Espanha. 1998.
[DAM1999] DAMICO, C.B. Aprendizagem esttica e dinmica em ambientes
50
multiagentes de ensino-aprendizagem. Porto Alegre: PPGC da
UFRGS, 1999. Tese de Doutorado.
[DEM1995] DEMAZEAU, Y. From Interactions to Collective Behaviour in Agent-
Based Systems. Im: Proceedings of the 1st. Europeam Conference on
Cognitive Science. Saint-Malo, france, 1995.
[FRA1998] FRASSON, Claude; MARTIN, Louis; GOUARDERES, Guy;
AIMEUR, Esma. LANCA: A Distance Learning Architecture Based
on Networked cognitive Agents. In Lectures Notes in Computer
Science. Inteligent Tutoring Systems. Procedings of 4th International
Conference, ITS 1998, San Antonio, Texas, August 1998. P.594-
603.
[GIR1997] GIRAFFA, Lcia. M. Martins. Seleo e adoo de estratgias de
Ensino em Sistemas Tutores Inteligentes. Porto Alegre.
CPGCC/UFRGS, 1997. (Exame de Qualificao)
[GIR1998] GIRAFFA, L. M. M. Uma arquitetura de tutor utilizando estados
mentais. Porto Alegre: CPGCC da UFRGS, 1998. Tese de
Doutorado.
[GIR1998b] GIRAFFA, L. M. M.; VICCARI, R. M.. Estratgias de ensino em
Sistemas Tutores Inteligentes modelados atravs da tecnologia de
agentes. IX Simpsio Brasileiro de Informtica na Educao,
SBIE98. Fortaleza. Novembro, 1998.
[GIR1999] GIRAFFA, L. M. M.; VICCARI, R. M.. Estratgias de ensino em
Sistemas Tutores Inteligentes modelados atravs da tecnologia de
agentes. Revista Brasileira de Informtica na Educao. IE/SBC.
(6), 2, 1999.
[GIR2001] GIRAFFA, Lcia M. M., VICCARI, Rosa M.. Fundamentos dos
Sistemas Tutores Inteligentes. Porto Alegre. Captulo de livro (a ser
publicado)
[GIR2001a] GIRAFFA, L. M. M. STI modelados atravs de uma sociedade de
agentes. Capturado em Novembro de 2001. Online. Disponvel na
Internet em: http://www.edukbr.com.br/portal.asp
[GOU2000] GOULART, Rodrigo. O papel do mdulo tutor em STI. Porto Alegre.
2000. Trabalho Individual I.
51
[JAQ1999] JAQUES, Patricia Augustin. Agentes de Software na
Monitorao da Colaborao em Ambientes Telemticos de Ensino.
PPGCC/PUCRS, Porto Alegre, 1999. Dissertao de Mestrado.
[JEN1996] JENNINGS, N. R.; FARATIN, P.; JOHNSON, M. J.; O'BRIEN, P.;
WIEGAND, M. E. Using Intelligent Agents to Manage Business
Processes, Proceedings of First International Conference on The
Practical Application of Intelligent Agents and Multi-Agent
Technology (PAAM96), London, UK, 345-360. Capturado em
Setembro de 2001. Online. Disponvel na Internet em:
http://www.ecs.soton.ac.uk/~nrj/pubs.html
[KUH1997] KUHN, Thomas. A Estrutura das revolues cientficas. Capturado em
Novembro de 2001. Online. Disponvel na Internet em:
http://www.sul-sc.com.br/afolha/pag/revolucao_cientifica.htm
[MUR1999] MURRAY, Tom. Authoring Intelligent Tutoring Systems: Na analysis
of the state of the art. International Journal of Artificial Intelligence
in Education (1999), 10, 98-129
[OLI1994] OLIVEIRA, F. M.. Critrios de equilibrao para Sistemas Tutores
Inteligentes. Porto Alegre: CPGCC da UFRGS, 1994. Tese de
Doutorado.
[OLI1996] OLIVEIRA, Flvio Moreira de. Inteligncia Artificial Distribuda. In:
ESCOLA REGIONAL DE INFORMTICA, 4, 1996, Canoas.
Anais... Sociedade Brasileira de Computao, 1996. p. 54-73.
[PER2001] Pereira, A. S.; D'Amico, C. B.; Geyer C. F. R.. Gerenciamento do
Conhecimento do ambiente Ame-A. Capturado em Novembro de
2001. Online. Disponvel na Internet em:
http://www.inf.ufrgs.br/~adriana/vcied.doc
[ROS2000] ROSATELLI, M.C., Self, J.A. and Thiry, M. LeCS: a collaborative case
study system, in G. Gauthier, C. Frasson and K. VanLehn (eds.),
Intelligent Tutoring Systems, Berlin: Springer-Verlag, p232-241,
2000.
[ROS2000a] ROSATELLI, M.C., Self, J.A. and Thiry, M. LeCS: a collaborative case
study system. In Lectures Notes in Computer Science. Inteligent
Tutoring Systems. Procedings of 5th International Conference, ITS
52
2000, Montreal, Canada, June 2000. P.242-251.
[RUS1995] RUSSELL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern
Approach. Prentice Hall Series in Artificial Intelligence, New Jersey,
1995.
[SEA1969] SEARLE, J. R. Speach acts: na essay in the philosophy of language.
Cambridge: Cambridge University Press, 1969. Tese de Doutorado.
[SEL1999] SELF, John. The defining characteristics of intelligent tutoring systems
research: its cara, precisely. International Journal of Artificial
Intelligence in Education, Leeds, England. 1999.
[SHO1993] SHOHAM, Y. Agent-oriented Programming. Artificial Intelligence, 60,
51-92, 1993.
[SIL1992] SILVEIRA, R.A. Inteligncia Artificial em Educao: um modelo de
sistema tutorial inteligente para microcomputadores. Porto Alegre
PUCRS, 1992. Dissertao de Mestrado em Educao.
[SIL1998] SILVEIRA, R. A. Ambientes Inteligentes de Ensino-Aprendizagem.
Porto Alegre: PPGC da UFRGS, 1998. Exame de Qualificao.
[SIL1999] SILVEIRA, R. Modelagem orientada a agentes aplicada a ambientes
distribudos de ensino. Porto Alegre: PPGC da UFRGS, 1999.
[THI1999] THIRY, Marcelo Comicholi da Costa. Uma Arquitetura Baseada em
Agentes para Suporte ao Ensino Distncia. CPGCC/UFRGS, Porto
Alegre, 2001. DEPS/PPGEP, 1999. Tese de Doutorado. Capturado
em Novembro de 2001. Online. Disponvel na Internet em:
http://www.ecs.soton.ac.uk/~nrj/pubs.html
[THI2000] THIBODEAU, Marc-Andr; BLANGER, Simon; FRASSON, Claude.
WHITE RABBIT Matchmaking of User Profiles Based on
discussion analysis Using Intelligent Agents. In Lectures Notes in
Computer Science. Inteligent Tutoring Systems. Procedings of 5th
International Conference, ITS 2000, Montreal, Canada, June 2000.
P.113-122.
[VAS1997] VASSILEVA J. Adaptive Systems and User Modeling on the World
Wide Web. The 6-th International Conference on User Modeling,
UM'97. Chia-Laguna, Sardinia, June. 1997.
[VAS2001] VASSILEVA, Julita; DETERS, Ralph; GEER, Jim; Mccalla, Gord;
53
BULL, Susan; KETTEL, Lori. Lessons from Deploying I-Help.
Workshop Multi-Agent Architectures for Distribuited Learning
Environments. Procedings International Conference on AI and
Education, San Antonio, Texas, May, 2001. P.3-11.
[WEB2001] WEBBER, Carine; BERGIA, Loris; PESTY, Sylvie; BALACHEFF,
Nicolas. The Baghera project: a multi-agent architecture for human
learning. Workshop Multi-Agent Architectures for Distribuited
Learning Environments. Procedings International Conference on AI
and Education, San Antonio, Texas, May, 2001. P.12-17.
[WOO1995] WOOLDRIDGE, M.; JENNINGS N. R.. Intelligent Agents: Theory and
Practice. In Knowledge Engineering Review 10(2), 1995. (The
PostScript version.). Capturado em Setembro de 2001. Online.
Disponvel na Internet em: http://www.csc.liv.ac.uk/~mjw/pubs/.
[ZAM2000] ZAMBONELLI, F.; Jennings, N. R.; Omicini, A.; Wooldridge, M..
Agent-Oriented Software Engineering for Internet Applications. In
A. Omicini, F. Zambonelli, M. Klusch and R. Tolksdorf, editors,
Coordination of Internet Agents, Springer Verlag. Capturado em
Setembro de 2001. Online. Disponvel na Internet em:
http://sirio.dsi.unimo.it/Zambonelli/pubblica.html
[ZOU2000] ZOUAQ, Amal; FRASSON, Claude; ROUANE, Khalid. The
Explanation Agent. In Lectures Notes in Computer Science.
Inteligent Tutoring Systems. Procedings of 5th International
Conference, ITS 2000, Montreal, Canada, June 2000. P.554-563.
54